基于內(nèi)容的圖像結構表示和分類.pdf

1、本論文研究的主要內(nèi)容是基于內(nèi)容的圖像結構表示和分類。作為一個有著廣泛應用前景的研究領域，基于內(nèi)容的圖像分類吸引了越來越多的研究人員參與，取得了許多研究成果并開發(fā)了一些商用和研究型系統(tǒng)。但由于缺少結構化的表示，基于內(nèi)容的圖像分類存在一定的問題。基于此，一些學者研究用神經(jīng)網(wǎng)絡表示和處理數(shù)據(jù)結構的方法，通過結構的反傳算法(BPTS)學習和分類樹型和圖型結構信息。 本文在前人工作的基礎上，分別對特征提取、結構內(nèi)容的表示和分類，各種迭代網(wǎng)

2、絡分類器以及誤差收斂曲線進行了研究和討論。設計并實現(xiàn)了一個基于結構內(nèi)容的圖像分類系統(tǒng)。 在特征提取方面，總結了CBIR中成熟的顏色、紋理和形狀特征提取方法。提出了一種分塊主色HSV特征提取算法。實驗結果證明，主色HSV相對RGB更符合人的視覺和心理感知；中心分塊在描述局部信息的同時也能突出主題。 給出了圖像結構化表示的數(shù)學定義以及通過結構反傳(BPTS)算法的自適應處理數(shù)據(jù)結構迭代神經(jīng)網(wǎng)絡的一般框架。 提出了一種

3、基于樹型結構的自然圖像表示和分類的方法。實現(xiàn)了對圖像逐步分級的四叉樹型結構(無區(qū)域分割)的表示以及在UCBerkeley的圖像庫分割結果基礎上的自動鄰接區(qū)域二叉樹和人工生成多叉樹型結構表示。討論了幾種不同迭代神經(jīng)網(wǎng)絡模型的分類器以及通過結構反傳的樹型結構的學習流程。實驗結果表明，基于迭代神經(jīng)網(wǎng)絡的結構表示和分類方法具有很強的結構學習能力，而且相對于傳統(tǒng)的BP網(wǎng)絡，分類性能有很大的提高。同時，基于分割結果的樹型表示，尤其是人工生成的多叉樹